CN109145677A - 障碍物检测方法、装置、设备及存储介质 - Google Patents
障碍物检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109145677A CN109145677A CN201710452994.4A CN201710452994A CN109145677A CN 109145677 A CN109145677 A CN 109145677A CN 201710452994 A CN201710452994 A CN 201710452994A CN 109145677 A CN109145677 A CN 109145677A
- Authority
- CN
- China
- Prior art keywords
- grid
- point cloud
- seed
- pixel
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了障碍物检测方法、装置、设备及存储介质，其中方法包括：对无人驾驶车辆周围环境进行扫描得到三维点云；将所述三维点云进行下采样，投射到网格上，构建网格图像；检测所述网格图像中的障碍物。能对所有的障碍物都完成分割，不会漏掉障碍物；能够满足实时性的需求。
Description
【技术领域】
本发明涉及计算机应用技术，特别涉及障碍物检测方法、装置、设备及存储介质。
【背景技术】
无人驾驶车辆，也可称为自动驾驶车辆，是指通过各种传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息等，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。
无人驾驶车辆使用的3d感知障碍物检测技术，运用激光雷达(LiDAR,Light LaserDetection and Ranging)获取车辆周边环境三维距离信息，激光雷达扫描一圈场景，返回场景三维空间的点云数据，即三维(3D)点云数据。基于车载三维激光雷达的环境感知障碍物检测技术，能够直接获取物体三维距离形状信息，具有测量精度高，对光照环境变化不敏感的优点。
基于扫描到的三维点云数据，通过距离分析识别技术对行驶环境进行感知，可进行障碍物的检测及障碍物类型的识别等，输出障碍物信息。包括车辆、行人、地面上可能影响车辆通过性、安全性的其它各种移动或静止物体的识别。以便无人驾驶车辆进行避障操作等。
为了使车辆能够安全、可靠地在道路上行驶，需要在行驶过程中，能够实时、准确识别出行驶路径周边对行驶安全可能存在安全隐患的物体，为车辆自身采取必要操作以避免发生交通安全事故。
现有技术中，一个常用的障碍物检测算法包括地面点移除、对象检测、识别等步骤。其中对象检测的好坏直接影响了后续的识别和跟踪。
采用分割技术进行对象检测，难点在于如何减少过分割和欠分割。同时，还需要能够满足实时性的需求。
由于激光雷达造价较高等因素，现有的环境感知技术方案多是基于2D视觉，基于激光雷达的3d感知技术的研究并不充分。基于滑动窗口的对象检测算法是在当前公开数据集KITTI上表现最好的3D障碍物检测算法，它的工作原理如下：首先，将点云离散化为3D网格。其次，对每一个非空网格，将网格中的点和其对应的特征值被映射到一个固定维度的特征向量中。对于空的网格，将其映射到一个0向量中。这样，就把点云转换成了一个特征网格。然后，用一个3D的滑动窗口在三维空间中滑动，用一个分类器来评估一个滑动窗口是一个障碍物的可能性。最后对每个滑动窗口旋转特定角度重复尝试上述算法。
但是，滑动窗口算法存在以下缺点：1.鲁棒性较差。需要对不同种类各种大小的物体分别定制窗口；窗口在方向上只能尝试有限的离散值，不能覆盖所有的方向。2.只能检测少数已知类型障碍物，为了避免障碍物漏检，需要使用额外的算法进行二次分割3.单帧检测时间在400ms以上，不能满足实时性的需求。
【发明内容】
本申请的多个方面提供了障碍物检测方法、装置、设备及存储介质，能够对所有的障碍物都完成分割，不会漏掉障碍物；提高障碍物检测的实时性。
本申请的一方面，提供一种障碍物检测方法，包括：
对无人驾驶车辆周围环境进行扫描得到三维点云；
将所述三维点云进行下采样，投射到网格上，构建网格图像；
检测所述网格图像中的障碍物。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述将所述三维点云投射到网格上进一步包括：
将所述三维点云进行下采样，投射到跟地面平行的二维网格上；或，
将所述三维点云进行下采样，投射到3D网格上；或，
将所述三维点云进行下采样，投射到前向视角的二维网格上。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述检测所述网格图像中的障碍物进一步包括：
利用区域增长算法对所述网格图像进行障碍物检测。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述将所述三维点云进行下采样，投射到跟地面平行的二维网格上进一步包括：
每个网格记录柱形里所有点x、y方向上的均值和z方向上的最高值。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述将所述三维点云进行下采样，投射到3D网格上进一步包括：
每个网格记录该网格内所有点的均值。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，将所述三维点云进行下采样，投射到前向视角的二维网格上进一步包括：
每个网格记录该网格内激光扫描点到激光发射器的深度信息。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述使用区域增长算法所述网格图像进行障碍物检测，包括以下子步骤：
子步骤1、从网格图像中随机选取1个还没有归属的像素作为种子点，设该像素为(x0,y0)，用堆栈表示种子集合，将种子点(x0,y0)push到种子堆栈中；
子步骤2、将种子堆栈中第一个种子点(x0,y0)pop出堆栈，并以该点为中心，遍历该中心邻域像素(x,y)；
判断遍历像素(x,y)是否已经在种子区域中；如果否，判断遍历像素(x,y)是否满足与种子点(x0,y0)之间的平滑约束条件；如果遍历像素(x,y)满足条件，则将该遍历像素(x,y)push到堆栈中；同时，将种子点(x0,y0)加入cluster集合；
子步骤3、判断种子堆栈是否为空；如果是，将cluster集合中的像素构成一个cluster，所述cluster为障碍物对应的像素点集合，执行子步骤4；如果否，执行子步骤2；
子步骤4、判断二维灰度图像中是否所有的像素都曾经被加入种子堆栈，如果是，区域增长结束，输出所有的cluster；如果否，执行子步骤1。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述使用区域增长算法所述网格图像进行障碍物检测，进一步包括：根据下采样过程中存储的三维点云与网格的像素之间的对应关系，得到障碍物对应的三维点云。
本发明的另一方面，提供一种障碍物检测装置，包括：获取单元、投射单元以及检测单元；
所述获取单元，用于对无人驾驶车辆周围环境进行扫描得到三维点云；
所述映射单元，用于将所述三维点云进行下采样，投射到网格上，构建网格图像；
所述分类单元，用于检测所述网格图像中的障碍物。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述映射单元，具体用于：
将所述三维点云进行下采样，投射到跟地面平行的二维网格上；或，
将所述三维点云进行下采样，投射到3D网格上；或，
将所述三维点云进行下采样，投射到前向视角的二维网格上。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述分类单元，具体用于：
利用区域增长算法对所述网格图像进行障碍物检测。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述映射单元在将所述三维点云进行下采样，投射到跟地面平行的二维网格上时，具体执行：
在每个网格记录柱形里所有点x、y方向上的均值和z方向上的最高值。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述映射单元在将所述三维点云进行下采样，投射到3D网格上时，具体执行：
每个网格记录该网格内所有点的均值。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述映射单元在将所述三维点云进行下采样，投射到前向视角的二维网格上时，具体执行：
每个网格记录该网格内激光扫描点到激光发射器的深度信息。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述分类单元在使用区域增长算法对所述网格图像进行障碍物检测时，具体执行：
子步骤1、从网格图像中随机选取1个还没有归属的像素作为种子点，设该像素为(x0,y0)，用堆栈表示种子集合，将种子点(x0,y0)push到种子堆栈中；
子步骤2、将种子堆栈中第一个种子点(x0,y0)pop出堆栈，并以该点为中心，遍历中心邻域像素(x,y)；
判断遍历像素(x,y)是否已经在种子区域中；如果否，判断遍历像素(x,y)是否满足与种子点(x0,y0)之间的平滑约束条件；如果遍历像素(x,y)满足条件，则将该遍历像素(x,y)push到堆栈中；同时，将种子点(x0,y0)加入cluster集合；
子步骤3、判断种子堆栈是否为空；如果是，将cluster集合中的像素构成一个cluster，所述cluster为障碍物对应的像素点集合，执行子步骤4；如果否，执行子步骤2；
子步骤4、判断二维灰度图像中是否所有的像素都曾经被加入种子堆栈，如果是，区域增长结束，输出所有的cluster，；如果否，执行子步骤1。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述分类单元在使用区域增长算法对所述网格图像进行障碍物检测时，具体执行：
根据下采样过程中存储的三维点云与网格的像素之间的对应关系，得到障碍物对应的三维点云。
本发明的另一方面，提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
本发明的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
基于上述介绍可以看出，采用本发明所述方案，将三维点云投射到网格上，构建网格图像，利用区域增长算法检测所述网格图像中的障碍物。对所有的障碍物都完成分割，不会漏掉障碍物，能够满足实时性的需求。
【附图说明】
图1为本发明所述障碍物检测方法实施例的流程图；
图2为本发明实施例中车载激光雷达采集障碍物对象的激光点云的示意图；
图3为本发明所述障碍物检测方法的另一个实施例的流程图；
图4为本发明所述障碍物检测方法的另一个实施例的流程图；
图5为本发明所述障碍物检测装置实施例的组成结构示意图；
图6示出了适于用来实现本发明实施方式的示例性计算机***/服务器012的框图。
【具体实施方式】
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本发明所述障碍物检测方法实施例的流程图，如图1所示，包括以下步骤：
在101中，对无人驾驶车辆周围环境进行扫描得到三维点云。
在本实施例中，可以采用车载激光雷达采集道路上的障碍物对象的激光点云。
具体地，用于车辆的障碍物识别方法运行于其上的电子设备(例如车辆的行车电脑或车载终端)可以通过有线连接方式或者无线连接方式控制激光雷达。具体地，在车辆(例如无人驾驶汽车)行驶过程中，行车电脑或车载终端可以控制激光雷达以预设采集频率采集车辆行驶的道路上的障碍物对象的激光点云，从而获取到道路上的障碍物对象的三维点云数据。其中，相同障碍物上的点间距小，不同障碍物之间的点间距大，如图2所示。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
激光雷达的规格可以采用16线、32线或64线，其中线数越高表示激光雷达的单位能量密度越大，精度越高。本实施例中，采用64线激光雷达，该激光雷达由64个激光光敏二极管组成，以600r/min转速探测周围环境，在垂直方向有26°～5°的测量范围，在100m的距离内能达到5cm的分辨率。
在本实施例的一些可选的实现方式中，障碍物对象包括：车辆对象、行人对象。车辆对象可以包括但不限于：自行车、小汽车、卡车、中巴车、大巴车。
在102中，将所述三维点云数据进行下采样，投射到跟地面平行的二维网格上，构建二维网格图像；包括以下子步骤：
在1021中，构建笛卡尔坐标；
以激光雷达为坐标原点，以激光雷达的垂直轴线方向为Z轴，以车辆正前方为X轴，Y轴是由Z轴和X轴根据右手螺旋定则确定，为车辆左方。
在1022中，解算三维点云到笛卡尔坐标系；
根据采集到的各激光扫描点距激光发射器的距离及空间角度，计算出个激光扫描点在笛卡尔坐标系中的坐标位置。对于激光雷达点云而言，其原始点云格式为UDP网络数据包，需要将其原始点云解算到所建立的笛卡尔坐标系中。
在无人车行驶的过程中，激光雷达同时以一定的角速度匀速转动，在这个过程中不断地发出激光并收集反射点的信息，以便得到全方位的环境信息。激光雷达在收集反射点距离的过程中也会同时记录下该点发生的时间和水平角度，并且每个激光发射器都有编号和固定的垂直角度，根据这些数据可以计算出所有反射点的坐标。激光雷达每旋转一周收集到的所有反射点坐标的集合就形成了点云。
激光雷达通过激光反射可以测出和物体的距离distance，因为激光的垂直角度是固定的，记做a，这里我们可以直接求出z轴坐标为sin(a)*distance。由cos(a)*distance我们可以得到distance在x,y平面的投影，记做xy_dist。激光雷达在记录反射点距离的同时也会记录下当前激光雷达转动的水平角度b，根据简单的集合转换，可以得到该点的x轴坐标和y轴坐标分别为cos(b)*xy_dist和sin(b)*xy_dist。
优选的，对笛卡尔坐标系下的三维点云数据进行预处理，保留范围在-0m<X<50m，-25m<Y<25m，-3m<Z<3m范围内的三维点云数据。
在1023中，对三维点云进行下采样，沿z轴投影到跟地面平行的二维网格上，生成二维网格图像；
将笛卡尔坐标系中的x、y平面划分为N个网格，网格的分辨率可以根据实际情况进行设定；通常，在栅格化时，一个网格对应实际大小为边长0.3米的正方形。
其中，每个网格记录柱形里所有点x、y方向上的均值(x_mean,y_mean)和z方向上的最高值(z_max)。这个二维网格图像记录了z方向上的最高值，被称为高度图。这样，则在网格中标记了一切高于地面的物体，提高了检测的鲁棒性。
优选的，对三维点云进行下采样的过程中，存储了三维点云与网格的像素之间的对应关系。
优选的，调整所有网格的取值范围，将其线性拉伸到0-255，用拉伸后的值模拟每个网格的灰度，并以此生成二维灰度网格图像。
在103中，检测二维网格图像中的障碍物。
由于64线激光雷达所获得数据是稀疏离散的，通常一个物体(例如车辆，行人等)会被分割成很多离散的小块，无法直接对障碍物进行进一步的分类。因此，需要对所获得的网格图像进行相关性聚类，使得一个障碍物中的离散点都能聚集在一起，以检测出障碍物，获得待识别障碍物对应的图像。
本实施例中，具体利用何种检测模型从所述二维网格图像中检测出障碍物可根据实际需要而定，比如，可利用区域增长算法对二维网格图像进行分割。
具体地，包括以下子步骤：
步骤1031、从二维网格图像中随机选取1个还没有归属的像素作为种子点，设该像素为(x0,y0)，用堆栈表示种子集合，将种子点(x0,y0)push到种子堆栈中；
步骤1032、将种子堆栈中第一个种子点(x0,y0)pop出堆栈，并以该点为中心，遍历该中心8邻域像素(x,y)；
判断遍历像素(x,y)是否已经在种子区域中；如果否，判断遍历像素(x,y)是否满足与种子点(x0,y0)之间的平滑约束条件；如果遍历像素(x,y)满足条件，则将该遍历像素(x,y)push到堆栈中；同时，将种子点(x0,y0)加入cluster集合；
步骤1033、判断种子堆栈是否为空；如果是，将cluster集合中的像素构成一个cluster，所述cluster为障碍物对应的像素点集合，执行步骤1034；如果否，执行步骤1032；
步骤1034、判断二维网格图像中是否所有的像素都曾经被加入种子堆栈，如果是，区域增长结束，输出所有的cluster；如果否，执行步骤1031。
所有的像素都属于一个确定的cluster，而这些cluster之间相互不连通。
优选的，根据三维点云与网格的像素之间的对应关系，即可得到障碍物对应的三维点云，由此，可以避免障碍物点云的漏检。
进一步的，可以基于所述待识别障碍物对应的三维点云，识别出所述障碍物的类型。
较佳地，可采用深度学习算法，识别出障碍物的类型。具体采用何种深度学习算法可根据实际需要而定，比如，可采用应用较广的卷积神经网络(CNN，Convolution NeuralNetwork)算法。
卷积神经网络是一种多层神经网络，擅长处理图像特别是大图像的相关机器学习问题。卷积神经网络通过一系列方法，成功将数据庞大的图像识别问题不断降维，最终使其能够被训练。一个典型的卷积神经网络，可以由卷积层、池化层、全连接层组成，其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。综合来说，卷积神经网络通过卷积来模拟特征区分，并且通过卷积的权值共享及池化，来降低网络参数的数量级，最后通过传统神经网络完成分类等任务。
通过对障碍物的类型进行标注，发送至服务器，从而可以在服务器上基于LMDB或LEVELDB等数据库中的所述二维网格图像及对障碍物对象的标注信息生成训练样本。可以利用该训练样本对以所述二维网格图像作为输入，对障碍物的类别进行识别的卷积神经网络进行训练，进而得到机器学习模型。
通过训练后的机器学习模型对待识别的二维网格图像进行识别，可以确定出障碍物的类型，如人、自行车、机动车等。
图3为本发明所述障碍物检测方法的另一个实施例的流程图，如图3所示，包括以下步骤：
在301中，对无人驾驶车辆周围环境进行扫描得到三维点云。
在302中，将所述三维点云进行下采样，投射到3D网格上，构建3D网格图像；包括以下子步骤：
在3021中，构建笛卡尔坐标；
以激光雷达为坐标原点，以激光雷达的垂直轴线方向为Z轴，以车辆正前方为X轴，Y轴是由Z轴和X轴根据右手螺旋定则确定，为车辆左方。
在3022中，解算三维点云到笛卡尔坐标系；
根据采集到的各激光扫描点距激光发射器的距离及空间角度，计算出个激光扫描点在笛卡尔坐标系中的坐标位置。对于激光雷达点云而言，其原始点云格式为UDP网络数据包，需要将其原始点云解算到所建立的笛卡尔坐标系中。
优选的，对笛卡尔坐标系下的三维点云数据进行预处理，保留范围在-0m<X<50m，-25m<Y<25m，-3m<Z<3m范围内的三维点云数据。
在3023中，对三维点云进行下采样，投射到3D网格上，每个网格记录该网格内所有点的均值；
将笛卡尔坐标系中的x、y、z空间划分为N个网格，网格的分辨率可以根据实际情况进行设定；通常，在栅格化时，一个网格对应实际大小为边长0.3米的正方体。
其中，每个网格记录该网格内所有点的均值(x_mean,y_mean,z_mean)。
优选的，对三维点云进行下采样的过程中，存储了三维点云与网格的像素之间的对应关系。
优选的，调整所有网格的取值范围，将其x,y,z值线性拉伸到0-255，用拉伸后的值模拟每个网格的灰度，并以此生成3D灰度网格图像。
优选的，由于激光雷达本身的噪声或悬空小障碍，会使得到的三维点云数据中存在少量异常点，因此在网格图像输出之前进行单点滤除和悬空点滤除，以有效抑制传感器噪声和环境噪声干扰。
在303中，检测3D网格图像中的障碍物，包括以下子步骤：
本实施例中，具体利用何种检测模型从3D网格图像中检测出障碍物可根据实际需要而定，比如，可利用区域增长算法对图像进行分割。
步骤3031、从3D网格图像中随机选取1个还没有归属的像素作为种子点，设该像素为(x0,y0)，用堆栈表示种子集合，将种子点(x0,y0)push到种子堆栈中；
步骤3032、将种子堆栈中第一个种子点(x0,y0)pop出堆栈，并以该点为中心，遍历该中心26邻域像素(x,y)；
判断遍历像素(x,y)是否已经在种子区域中；如果否，判断遍历像素(x,y)是否满足与种子点(x0,y0)之间的平滑约束条件；如果遍历像素(x,y)满足条件，则将该遍历像素(x,y)push到堆栈中；同时，将种子点(x0,y0)加入cluster集合；其中，所述平滑约束条件为遍历像素(x,y)与种子点(x0,y0)之间的距离小于“合并距离”；
步骤3033、判断种子堆栈是否为空；如果是，将cluster集合中的像素构成一个cluster，所述cluster为障碍物对应的像素点集合，执行步骤3034；如果否，执行步骤3032；
步骤3034、判断3D网格图像中是否所有的像素都曾经被加入种子堆栈，如果是，区域增长结束，输出所有的cluster；如果否，执行步骤3031。
所有的像素都属于一个确定的cluster，而这些cluster之间相互不连通。
优选的，根据三维点云与网格的像素之间的对应关系，即可得到障碍物对应的三维点云，由此，可以避免障碍物点云的漏检。
优选的，可以基于所述待识别障碍物对应的三维点云，识别出所述障碍物的类型。
图4为本发明所述障碍物检测方法的另一个实施例的流程图，如图4所示，包括以下步骤：
在401中，对无人驾驶车辆周围环境进行扫描得到三维点云。
在无人车行驶的过程中，激光雷达同时以一定的角速度匀速转动，在这个过程中不断地发出激光并收集反射点的信息，以便得到全方位的环境信息。由于激光雷达这样的扫描特性，同一物体上相邻的激光扫描点到发射器的距离(深度)差值较小，不同物体上相邻的激光扫描点到发射器的距离(深度)差值较大。
在402中，将所述三维点云进行下采样，投射到前向视角的二维网格上，构建前向视角二维网格图像；包括以下子步骤：
在4021中，构建笛卡尔坐标；
以激光雷达为坐标原点，以激光雷达的垂直轴线方向为Z轴，以车辆正前方为X轴，Y轴是由Z轴和X轴根据右手螺旋定则确定，为车辆左方。
在4022中，解算三维点云到笛卡尔坐标系；
根据采集到的各激光扫描点距激光发射器的距离及空间角度，计算出个激光扫描点在笛卡尔坐标系中的坐标位置。对于激光雷达点云而言，其原始点云格式为UDP网络数据包，需要将其原始点云解算到所建立的笛卡尔坐标系中。
优选的，对笛卡尔坐标系下的三维点云数据进行预处理，保留范围在-0m<X<50m，-25m<Y<25m，-3m<Z<3m范围内的三维点云数据。
在4023中，对三维点云进行下采样，按扫描顺序投到前向视角的二维网格上，每个网格记录该网格内激光扫描点到激光发射器的距离(深度)信息。
优选的，对三维点云进行下采样的过程中，存储了三维点云与网格的像素之间的对应关系。
优选的，调整所有网格的取值范围，将其线性拉伸到0-255，用拉伸后的值模拟每个网格的灰度，并以此生成前向视角二维灰度网格图像。
所述在403中，检测前向视角二维网格图像中的障碍物；包括以下子步骤：
本实施例中，具体利用何种检测模型从前向视角二维网格图像中检测出障碍物可根据实际需要而定，比如，可利用区域增长算法对前向视角二维网格图像进行分割。
具体地，包括以下子步骤：
步骤4031、从前向视角二维网格图像中随机选取1个还没有归属的像素作为种子点，设该像素为(x0,y0)，用堆栈表示种子集合，将种子点(x0,y0)push到种子堆栈中；
步骤4032、将种子堆栈中第一个种子点(x0,y0)pop出堆栈，并以该点为中心，遍历该中心8邻域像素(x,y)；
判断遍历像素(x,y)是否已经在种子区域中；如果否，判断遍历像素(x,y)是否满足与种子点(x0,y0)之间的平滑约束条件；如果遍历像素(x,y)满足条件，则将该遍历像素(x,y)push到堆栈中；同时，将种子点(x0,y0)加入cluster集合；其中，所述平滑约束条件为遍历像素(x,y)与种子点(x0,y0)之间的深度差值小于阈值；
步骤4033、判断种子堆栈是否为空；如果是，将cluster集合中的像素构成一个cluster，所述cluster为障碍物对应的像素点集合，执行步骤4034；如果否，执行步骤4032；
步骤4034、判断前向视角二维网格图像中是否所有的像素都曾经被加入种子堆栈，如果是，区域增长结束，输出所有的cluster；如果否，执行步骤4031。
所有的像素都属于一个确定的cluster，而这些cluster之间相互不连通。
优选的，根据三维点云与网格的像素之间的对应关系，即可得到障碍物对应的三维点云，由此，可以避免障碍物点云的漏检。
优选的，可以基于所述待识别障碍物对应的三维点云，识别出所述障碍物的类型。
对原始三维点云三维点云进行了下采样；利用区域增长算法对网格图像进行分割相比在原始三维点云三维点云上进行分割更为高效，因为，仅需要计算每个像素点邻域内其他点即可，不需要在三维点云三维点云上用k-d树(k-dimensional树)去搜索近邻点；降低了数据处理量，提高了实时性。
通过将所述三维点云进行下采样，投射到跟地面平行的二维网格上，生成记录了z方向上的最高值的二维网格图像，提高了检测的鲁棒性。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
图5为本发明所述障碍物检测装置实施例的组成结构示意图，如图5所示，包括：获取单元51、投射单元52以及检测单元53。
所述获取单元，用于对无人驾驶车辆周围环境进行扫描得到三维点云；
所述映射单元，用于将所述三维点云进行下采样，投射到网格上，构建网格图像；
所述分类单元，用于检测所述网格图像中的障碍物。
优选的，所述获取单元用于采用车载激光雷达预先采集道路上的障碍物对象的激光点云。
激光雷达的规格可以采用16线、32线或64线，其中线数越高表示激光雷达的单位能量密度越大，精度越高。本实施例中，采用64线激光雷达，该激光雷达由64个激光光敏二极管组成，以600r/min转速探测周围环境，在垂直方向有26°～5°的测量范围，在100m的距离内能达到5cm的分辨率。
在本实施例的一些可选的实现方式中，障碍物对象包括：车辆对象、行人对象。车辆对象可以包括但不限于：自行车、小汽车、卡车、中巴车、大巴车。
优选的，所述映射单元用于将所述三维点云进行下采样，投射到跟地面平行的二维网格上，生成二维网格图像；所述映射单元具体执行：
构建笛卡尔坐标；
解算三维点云到笛卡尔坐标系；
对三维点云进行下采样，沿z轴投影到跟地面平行的二维网格上，生成二维网格图像；其中，每个网格记录柱形里所有点x、y方向上的均值和z方向上的最高值。
优选的，对三维点云进行下采样的过程中，存储了三维点云与网格的像素之间的对应关系。
将所述三维点云进行下采样，投射到3D网格上，构建3D网格图像；所述映射单元具体执行：
构建笛卡尔坐标；
解算三维点云到笛卡尔坐标系；
对三维点云进行下采样，投射到3D网格上，每个网格记录该网格内所有点的均值。
优选的，对三维点云进行下采样的过程中，存储了三维点云与网格的像素之间的对应关系。
优选的，所述映射单元用于所述映射单元在投射到前向视角的二维网格上，，构建前向视角二维网格图像；所述映射单元具体执行：
构建笛卡尔坐标；
解算三维点云到笛卡尔坐标系；
对三维点云进行下采样，按扫描顺序投到前向视角的二维网格上，每个网格记录该网格内激光扫描点到激光发射器的深度信息。
优选的，对三维点云进行下采样的过程中，存储了三维点云与网格的像素之间的对应关系。
优选的，所述分类单元，用于利用区域增长算法对所述网格图像进行障碍物检测，检测所述网格图像中的障碍物。
所述分类单元在使用区域增长算法对所述网格图像进行障碍物检测时，具体执行：
子步骤1、从网格图像中随机选取1个还没有归属的像素作为种子点，设该像素为(x0,y0)，用堆栈表示种子集合，将种子点(x0,y0)push到种子堆栈中；
子步骤2、将种子堆栈中第一个种子点(x0,y0)pop出堆栈，并以该点为中心，遍历该中心邻域像素(x,y)；
判断遍历像素(x,y)是否已经在种子区域中；如果否，判断遍历像素(x,y)是否满足与种子点(x0,y0)之间的平滑约束条件；如果遍历像素(x,y)满足条件，则将该遍历像素(x,y)push到堆栈中；同时，将种子点(x0,y0)加入cluster集合；
子步骤3、判断种子堆栈是否为空；如果是，将cluster集合中的像素构成一个cluster，所述cluster为障碍物对应的像素点集合，执行子步骤4；如果否，执行子步骤2；
子步骤4、判断二维灰度图像中是否所有的像素都曾经被加入种子堆栈，如果是，区域增长结束，输出所有的cluster；如果否，执行子步骤1。
优选的，根据三维点云与网格的像素之间的对应关系，即可得到障碍物对应的三维点云，由此，可以避免障碍物点云的漏检。
优选的，可以基于所述待识别障碍物对应的三维点云，识别出所述障碍物的类型。
图5所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
基于上述介绍可以看出，采用上述实施例所述方式，对三维点云进行下采样，投射到网格上，构建网格图像，利用区域增长算法检测所述网格图像中的障碍物。能对所有的障碍物都完成分割，不会漏掉障碍物，还能够满足实时性的需求。
图6示出了适于用来实现本发明实施方式的示例性计算机***/服务器012的框图。图6显示的计算机***/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机***/服务器012以通用计算设备的形式表现。计算机***/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，***存储器028，连接不同***组件(包括***存储器028和处理单元016)的总线018。
总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机***/服务器012典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机***/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器028可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机***/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***034可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。
计算机***/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机***/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机***/服务器012交互的设备通信，和/或与使得该计算机***/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且，计算机***/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器020通过总线018与计算机***/服务器012的其它模块通信。应当明白，尽管图6中未示出，可以结合计算机***/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元016通过运行存储在***存储器028中的程序，从而执行本发明所描述的实施例中的功能和/或方法。
上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。
随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (18)
1.一种障碍物检测方法，其特征在于，包括：
对无人驾驶车辆周围环境进行扫描得到三维点云；
将所述三维点云进行下采样，投射到网格上，构建网格图像；
检测所述网格图像中的障碍物。
2.根据权利要求1所述的方法，其特征在于,所述将所述三维点云进行下采样，投射到网格上进一步包括：
将所述三维点云进行下采样，投射到跟地面平行的二维网格上；或，
将所述三维点云进行下采样，投射到3D网格上；或，
将所述三维点云进行下采样，投射到前向视角的二维网格上。
3.根据权利要求1所述的方法，其特征在于,所述检测所述网格图像中的障碍物进一步包括：
利用区域增长算法对所述网格图像进行障碍物检测。
4.根据权利要求2所述的方法，其特征在于，所述将所述三维点云进行下采样，投射到跟地面平行的二维网格上进一步包括：
每个网格记录柱形里所有点x、y方向上的均值和z方向上的最高值。
5.根据权利要求2所述的方法，其特征在于,所述将将所述三维点云进行下采样，投射到3D网格上进一步包括：
每个网格记录该网格内所有点的均值。
6.根据权利要求2所述的方法，其特征在于,所述将所述三维点云进行下采样，投射到前向视角的二维网格上进一步包括：
每个网格记录该网格内激光扫描点到激光发射器的深度信息。
7.根据权利要求3所述的方法，其特征在于,所述使用区域增长算法所述网格图像进行障碍物检测，包括以下子步骤：
子步骤1、从网格图像中随机选取1个还没有归属的像素作为种子点，设该像素为(x0,y0)，用堆栈表示种子集合，将种子点(x0,y0)push到种子堆栈中；
子步骤2、将种子堆栈中第一个种子点(x0,y0)pop出堆栈，并以该点为中心，遍历中心邻域像素(x,y)；
判断遍历像素(x,y)是否已经在种子区域中；如果否，判断遍历像素(x,y)是否满足与种子点(x0,y0)之间的平滑约束条件；如果遍历像素(x,y)满足条件，则将该遍历像素(x,y)push到堆栈中；同时，将种子点(x0,y0)加入cluster集合；
子步骤3、判断种子堆栈是否为空；如果是，将cluster集合中的像素构成一个cluster，所述cluster为障碍物对应的像素点集合，执行子步骤4；如果否，执行子步骤2；
子步骤4、判断二维灰度图像中是否所有的像素都曾经被加入种子堆栈，如果是，区域增长结束，输出所有的cluster；如果否，执行子步骤1。
8.根据权利要求7所述的方法，其特征在于,所述使用区域增长算法所述网格图像进行障碍物检测进一步包括：
根据下采样过程中存储的三维点云与网格的像素之间的对应关系，得到障碍物对应的三维点云。
9.一种障碍物检测装置，其特征在于，包括：获取单元、投射单元以及检测单元；
所述获取单元，用于对无人驾驶车辆周围环境进行扫描得到三维点云；
所述映射单元，用于将所述三维点云进行下采样，投射到网格上，构建网格图像；
所述分类单元，用于检测所述网格图像中的障碍物。
10.根据权利要求9所述的装置，其特征在于，所述映射单元，具体用于：
将所述三维点云进行下采样，投射到跟地面平行的二维网格上；或，
将所述三维点云进行下采样，投射到3D网格上；或，
将所述三维点云进行下采样，投射到前向视角的二维网格上。
11.根据权利要求9所述的装置，其特征在于,所述分类单元，具体用于：
利用区域增长算法对所述网格图像进行障碍物检测。
12.根据权利要求10所述的装置，其特征在于,所述映射单元在将所述三维点云进行下采样，投射到跟地面平行的二维网格上时，具体执行：
在每个网格记录柱形里所有点x、y方向上的均值和z方向上的最高值。
13.根据权利要求10所述的装置，其特征在于,所述映射单元在将所述三维点云进行下采样，投射到3D网格上时，具体执行：
每个网格记录该网格内所有点的均值。
14.根据权利要求10所述的装置，其特征在于,所述映射单元在将所述三维点云进行下采样，投射到前向视角的二维网格上时，具体执行：
每个网格记录该网格内激光扫描点到激光发射器的深度信息。
15.根据权利要求11所述的装置，其特征在于,所述分类单元在使用区域增长算法对所述网格图像进行障碍物检测时，具体执行：
子步骤1、从网格图像中随机选取1个还没有归属的像素作为种子点，设该像素为(x0,y0)，用堆栈表示种子集合，将种子点(x0,y0)push到种子堆栈中；
子步骤2、将种子堆栈中第一个种子点(x0,y0)pop出堆栈，并以该点为中心，遍历中心邻域像素(x,y)；
判断遍历像素(x,y)是否已经在种子区域中；如果否，判断遍历像素(x,y)是否满足与种子点(x0,y0)之间的平滑约束条件；如果遍历像素(x,y)满足条件，则将该遍历像素(x,y)push到堆栈中；同时，将种子点(x0,y0)加入cluster集合；
子步骤3、判断种子堆栈是否为空；如果是，将cluster集合中的像素构成一个cluster，所述cluster为障碍物对应的像素点集合，执行子步骤4；如果否，执行子步骤2；
子步骤4、判断二维灰度图像中是否所有的像素都曾经被加入种子堆栈，如果是，区域增长结束，输出所有的cluster；如果否，执行子步骤1。
16.根据权利要求11所述的装置，其特征在于,所述分类单元在使用区域增长算法对所述网格图像进行障碍物检测时，具体执行：
根据下采样过程中存储的三维点云与网格的像素之间的对应关系，得到障碍物对应的三维点云。
17.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8中任一项所述的方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710452994.4A CN109145677A (zh) | 2017-06-15 | 2017-06-15 | 障碍物检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710452994.4A CN109145677A (zh) | 2017-06-15 | 2017-06-15 | 障碍物检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109145677A true CN109145677A (zh) | 2019-01-04 |
Family
ID=64830033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710452994.4A Pending CN109145677A (zh) | 2017-06-15 | 2017-06-15 | 障碍物检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109145677A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109813722A (zh) * | 2019-03-12 | 2019-05-28 | 武汉武大卓越科技有限责任公司 | 接触网吊弦缺陷检测方法 |
| CN109871850A (zh) * | 2019-01-21 | 2019-06-11 | 北京大学 | 一种基于神经网络模型的车载激光雷达数据的分类方法 |
| CN110654422A (zh) * | 2019-11-12 | 2020-01-07 | 中科(徐州)人工智能研究院有限公司 | 一种轨道列车驾驶辅助的方法、装置及*** |
| CN111191643A (zh) * | 2020-04-10 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 虹膜图像采集***及方法 |
| CN111316285A (zh) * | 2019-03-19 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 物体检测方法、电子设备与计算机存储介质 |
| CN111368635A (zh) * | 2020-02-05 | 2020-07-03 | 北京邮电大学 | 一种基于毫米波的多人步态识别方法及装置 |
| CN111507973A (zh) * | 2020-04-20 | 2020-08-07 | 上海商汤临港智能科技有限公司 | 目标检测方法及装置、电子设备和存储介质 |
| CN111598034A (zh) * | 2020-05-22 | 2020-08-28 | 知行汽车科技（苏州）有限公司 | 障碍物检测方法、装置及存储介质 |
| CN111712855A (zh) * | 2019-05-06 | 2020-09-25 | 深圳市大疆创新科技有限公司 | 地面信息处理方法、装置和无人驾驶车辆 |
| CN111742242A (zh) * | 2019-06-11 | 2020-10-02 | 深圳市大疆创新科技有限公司 | 点云处理方法、***、设备及存储介质 |
| CN111886597A (zh) * | 2019-06-28 | 2020-11-03 | 深圳市大疆创新科技有限公司 | 可移动平台的障碍物检测方法、装置及可移动平台 |
| CN112084854A (zh) * | 2020-08-04 | 2020-12-15 | 深圳市优必选科技股份有限公司 | 一种障碍物检测方法、障碍物检测装置及机器人 |
| CN112200913A (zh) * | 2020-09-30 | 2021-01-08 | 广州文远知行科技有限公司 | 一种点云生成方法、装置、设备和存储介质 |
| CN112329789A (zh) * | 2020-10-12 | 2021-02-05 | 广州文远知行科技有限公司 | 点云的提取方法、装置、计算机设备和存储介质 |
| CN112666535A (zh) * | 2021-01-12 | 2021-04-16 | 重庆长安汽车股份有限公司 | 一种基于多雷达数据融合的环境感知方法及*** |
| CN112733571A (zh) * | 2019-10-14 | 2021-04-30 | 杭州萤石软件有限公司 | 机器人的控制方法、设备和存储介质 |
| WO2021134325A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于无人驾驶技术的障碍物检测方法、装置和计算机设备 |
| CN113807184A (zh) * | 2021-08-17 | 2021-12-17 | 北京百度网讯科技有限公司 | 障碍物检测方法、装置、电子设备及自动驾驶车辆 |
| CN114766042A (zh) * | 2019-12-12 | 2022-07-19 | Oppo广东移动通信有限公司 | 目标检测方法、装置、终端设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
| US20160307052A1 (en) * | 2015-04-16 | 2016-10-20 | Electronics And Telecommunications Research Institute | Device and method for recognizing obstacle and parking slot to support unmanned autonomous parking function |
| CN106291736A (zh) * | 2016-08-16 | 2017-01-04 | 张家港长安大学汽车工程研究院 | 无人驾驶汽车车道动态障碍物检测方法 |
| CN106405555A (zh) * | 2016-09-23 | 2017-02-15 | 百度在线网络技术（北京）有限公司 | 用于车载雷达***的障碍物检测方法和装置 |
| CN106530380A (zh) * | 2016-09-20 | 2017-03-22 | 长安大学 | 一种基于三维激光雷达的地面点云分割方法 |
| CN106772434A (zh) * | 2016-11-18 | 2017-05-31 | 北京联合大学 | 一种基于TegraX1雷达数据的无人车障碍物检测方法 |
-
2017
- 2017-06-15 CN CN201710452994.4A patent/CN109145677A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160307052A1 (en) * | 2015-04-16 | 2016-10-20 | Electronics And Telecommunications Research Institute | Device and method for recognizing obstacle and parking slot to support unmanned autonomous parking function |
| CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
| CN106291736A (zh) * | 2016-08-16 | 2017-01-04 | 张家港长安大学汽车工程研究院 | 无人驾驶汽车车道动态障碍物检测方法 |
| CN106530380A (zh) * | 2016-09-20 | 2017-03-22 | 长安大学 | 一种基于三维激光雷达的地面点云分割方法 |
| CN106405555A (zh) * | 2016-09-23 | 2017-02-15 | 百度在线网络技术（北京）有限公司 | 用于车载雷达***的障碍物检测方法和装置 |
| CN106772434A (zh) * | 2016-11-18 | 2017-05-31 | 北京联合大学 | 一种基于TegraX1雷达数据的无人车障碍物检测方法 |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871850A (zh) * | 2019-01-21 | 2019-06-11 | 北京大学 | 一种基于神经网络模型的车载激光雷达数据的分类方法 |
| CN109813722B (zh) * | 2019-03-12 | 2021-09-24 | 武汉光谷卓越科技股份有限公司 | 接触网吊弦缺陷检测方法 |
| CN109813722A (zh) * | 2019-03-12 | 2019-05-28 | 武汉武大卓越科技有限责任公司 | 接触网吊弦缺陷检测方法 |
| CN111316285A (zh) * | 2019-03-19 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 物体检测方法、电子设备与计算机存储介质 |
| CN111712855A (zh) * | 2019-05-06 | 2020-09-25 | 深圳市大疆创新科技有限公司 | 地面信息处理方法、装置和无人驾驶车辆 |
| WO2020223868A1 (zh) * | 2019-05-06 | 2020-11-12 | 深圳市大疆创新科技有限公司 | 地面信息处理方法、装置和无人驾驶车辆 |
| WO2020248118A1 (zh) * | 2019-06-11 | 2020-12-17 | 深圳市大疆创新科技有限公司 | 点云处理方法、***、设备及存储介质 |
| CN111742242A (zh) * | 2019-06-11 | 2020-10-02 | 深圳市大疆创新科技有限公司 | 点云处理方法、***、设备及存储介质 |
| CN111886597A (zh) * | 2019-06-28 | 2020-11-03 | 深圳市大疆创新科技有限公司 | 可移动平台的障碍物检测方法、装置及可移动平台 |
| CN112733571A (zh) * | 2019-10-14 | 2021-04-30 | 杭州萤石软件有限公司 | 机器人的控制方法、设备和存储介质 |
| CN112733571B (zh) * | 2019-10-14 | 2024-05-17 | 杭州萤石软件有限公司 | 机器人的控制方法、设备和存储介质 |
| CN110654422A (zh) * | 2019-11-12 | 2020-01-07 | 中科(徐州)人工智能研究院有限公司 | 一种轨道列车驾驶辅助的方法、装置及*** |
| CN114766042A (zh) * | 2019-12-12 | 2022-07-19 | Oppo广东移动通信有限公司 | 目标检测方法、装置、终端设备及介质 |
| WO2021134325A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于无人驾驶技术的障碍物检测方法、装置和计算机设备 |
| CN111368635A (zh) * | 2020-02-05 | 2020-07-03 | 北京邮电大学 | 一种基于毫米波的多人步态识别方法及装置 |
| CN111368635B (zh) * | 2020-02-05 | 2021-05-25 | 北京邮电大学 | 一种基于毫米波的多人步态识别方法及装置 |
| CN111191643A (zh) * | 2020-04-10 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 虹膜图像采集***及方法 |
| CN111507973B (zh) * | 2020-04-20 | 2024-04-12 | 上海商汤临港智能科技有限公司 | 目标检测方法及装置、电子设备和存储介质 |
| CN111507973A (zh) * | 2020-04-20 | 2020-08-07 | 上海商汤临港智能科技有限公司 | 目标检测方法及装置、电子设备和存储介质 |
| CN111598034A (zh) * | 2020-05-22 | 2020-08-28 | 知行汽车科技（苏州）有限公司 | 障碍物检测方法、装置及存储介质 |
| CN111598034B (zh) * | 2020-05-22 | 2021-07-23 | 知行汽车科技（苏州）有限公司 | 障碍物检测方法、装置及存储介质 |
| CN112084854B (zh) * | 2020-08-04 | 2023-12-01 | 深圳市优必选科技股份有限公司 | 一种障碍物检测方法、障碍物检测装置及机器人 |
| CN112084854A (zh) * | 2020-08-04 | 2020-12-15 | 深圳市优必选科技股份有限公司 | 一种障碍物检测方法、障碍物检测装置及机器人 |
| CN112200913B (zh) * | 2020-09-30 | 2024-01-12 | 广州文远知行科技有限公司 | 一种点云生成方法、装置、设备和存储介质 |
| CN112200913A (zh) * | 2020-09-30 | 2021-01-08 | 广州文远知行科技有限公司 | 一种点云生成方法、装置、设备和存储介质 |
| CN112329789B (zh) * | 2020-10-12 | 2022-05-17 | 广州文远知行科技有限公司 | 点云的提取方法、装置、计算机设备和存储介质 |
| CN112329789A (zh) * | 2020-10-12 | 2021-02-05 | 广州文远知行科技有限公司 | 点云的提取方法、装置、计算机设备和存储介质 |
| CN112666535A (zh) * | 2021-01-12 | 2021-04-16 | 重庆长安汽车股份有限公司 | 一种基于多雷达数据融合的环境感知方法及*** |
| CN113807184A (zh) * | 2021-08-17 | 2021-12-17 | 北京百度网讯科技有限公司 | 障碍物检测方法、装置、电子设备及自动驾驶车辆 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109145677A (zh) | 障碍物检测方法、装置、设备及存储介质 | |
| US10192113B1 (en) | Quadocular sensor design in autonomous platforms | |
| Zhang et al. | Vehicle tracking and speed estimation from roadside lidar | |
| US12020476B2 (en) | Data synthesis for autonomous control systems | |
| US10496104B1 (en) | Positional awareness with quadocular sensor in autonomous platforms | |
| CN109271944B (zh) | 障碍物检测方法、装置、电子设备、车辆及存储介质 | |
| US10390003B1 (en) | Visual-inertial positional awareness for autonomous and non-autonomous device | |
| US20220290979A1 (en) | Vehicle localization using the ground surface with an event camera | |
| CN109101861A (zh) | 障碍物类型识别方法、装置、设备及存储介质 | |
| CN110226186B (zh) | 表示地图元素的方法和装置以及定位的方法和装置 | |
| Jebamikyous et al. | Autonomous vehicles perception (avp) using deep learning: Modeling, assessment, and challenges | |
| CN103176185B (zh) | 用于检测道路障碍物的方法及*** | |
| CN112347999B (zh) | 障碍物识别模型训练方法、障碍物识别方法、装置及*** | |
| Bai et al. | Pillargrid: Deep learning-based cooperative perception for 3d object detection from onboard-roadside lidar | |
| US20200302237A1 (en) | System and method for ordered representation and feature extraction for point clouds obtained by detection and ranging sensor | |
| CN109313810A (zh) | 用于对环境进行测绘的***和方法 | |
| CN107576960A (zh) | 视觉雷达时空信息融合的目标检测方法及*** | |
| US10872228B1 (en) | Three-dimensional object detection | |
| CN109116374A (zh) | 确定障碍物距离的方法、装置、设备及存储介质 | |
| CN108629231A (zh) | 障碍物检测方法、装置、设备及存储介质 | |
| CN116685874A (zh) | 摄像机-激光雷达融合对象检测***和方法 | |
| US11295521B2 (en) | Ground map generation | |
| CN116830164A (zh) | LiDAR去相关对象检测***与方法 | |
| CN110110678A (zh) | 道路边界的确定方法和装置、存储介质及电子装置 | |
| CN114639115A (zh) | 一种人体关键点与激光雷达融合的3d行人检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |